综述：探索未知领域：人工智能在研究不足的蛋白质家族的结构、动态、相互作用及配体相互作用方面的突破

《BioData Mining》：Navigating the uncharted: AI-driven advances in protein structure, dynamics, interactions and ligand interactions for understudied families

　　

摘要

对那些较少为人所知的蛋白质家族进行结构与功能分析，依然是现代计算生物学领域面临的一项重大挑战。人工智能和机器学习领域的最新突破为这些研究带来了快速发展，尤其是在克服传统建模方法的局限性方面，比如传统的同源建模和从头折叠方法。本文回顾了从传统方法到先进的深度学习框架的发展历程，例如AlphaFold2、RoseTTAFold以及基于变换器的架构。我们探讨了这些由人工智能驱动的工具如何在结构预测、蛋白质动力学模拟以及内在无序性分析方面达到近乎实验级的准确度。此外，我们还研究了蛋白质-蛋白质相互作用这一对细胞功能及靶向药物设计至关重要的现象，以及蛋白质-配体相互作用的相关计算方法，其中包括一些新的生成式方法。通过两个针对孤儿G蛋白偶联受体和内在无序区域的典型案例研究，展示了这些技术对于那些以往难以研究的系统所具有的变革潜力。尽管取得了这些进展，但仍存在诸多挑战，包括需要实验验证、如何有效建模蛋白质的灵活性，以及围绕人工智能生成数据的伦理问题。我们还对比了传统结构生物学方法与基于人工智能的方法，总结了各类关键工具（如变换器、图神经网络和扩散模型），并提出了计算建模和数据可视化的最佳实践指南。这些发展为我们了解蛋白质世界中那些尚未被充分研究的“黑暗蛋白组”提供了前所未有的视角，使得那些结构或功能尚不明确的蛋白质也能得到结构上的解析。本文旨在为那些希望利用人工智能创新来攻克蛋白质组学领域中最具挑战性问题的研究人员提供一份路线图。